Tekoäly ja koneoppiminen ovat olleet pari vuotta digitaalisen markkinoinnin trendisanoja yhdessä äänihaun tuomien mahdollisuuksien kanssa. Googlen luotto omiin algoritmeihinsa on edennyt siihen pisteeseen, että se on alkanut itsekin tarjota Google Ads -tilien kehitys- ja ylläpitopalveluita pienemmille yrityksille, ennen kaikkea automaation keinoin. Tarvitaanko ihmistä hakusanamainonnassa pian ollenkaan?
Google Adsissa on monia osa-alueita, joita alusta pystyy hoitamaan alkutyön jälkeen automaattisesti. Tämä blogi käsittelee hintatarjousalgoritmin vahvuuksia ja heikkouksia autovuokrausyrityksen mainontaa esimerkkinä käyttäen.
Missä kone on vahvoilla?
Yksi tärkeimpiä hakusanamainonnan kannattavuuden ja tavoitteisiin pääsyn edellytyksiä on hintatarjousten asettaminen, eli se, kuinka paljon mistäkin klikkauksesta olemme valmiita tarjoamaan kunkin haun kohdalla.
Kun mainonnan mittarit ovat kunnossa, ihmiset klikkaavat yrityksen mainoksia ja ostavat, mainostaja tietää melko tarkkaan, paljonko myyntiä tulee kuluihin nähden ja voi säätää mainonnan kulutusta oman hintarakenteensa mukaisesti kannattavaksi.
Tämä ”klikkauksesta ostoon” -prosessi toistuu tuhansia kertoja muodostaen lopulta datajoukon, jonka pohjalta PPC-ammattilaiset ennustavat tulevaa suorituskykyä, eli asettavat hintatarjouksia – hakusanamainontahan on huutokauppaa.
Tämän työn voi tehdä käsin Google Adsin käyttöliittymässä, viemällä tiedot taulukkolaskentaohjelmaan tai kolmannen osapuolen työkaluilla. Sinänsä yksinkertainen, joskin varsin mekaaninen suoritus, joka toistuu tilin koosta välittämättä. ”Manuaalinen bidaus”, jossa kontrolli mainonnan tehosta on koko ajan ihmisellä, on ollut tuloksellisin tapa hoitaa mainonnan optimointia.
Tilanne on kuitenkin viime vuosina monimutkaistunut, sillä hintatarjouksia voi pelkän avainsanan lisäksi muokata mm.:
- Laiteluokan (onko käyttäjä mobiilissa vai pöytäkoneella)
- Sijainnin (jopa postinumeroihin asti)
- Yleisöön kuulumisen (esim. uudelleenmarkkinointi)
- Aiemman hakukäyttäytymisen
- Sukupuolen
- Vuorokaudenajan ja viikonpäivän mukaan.
Nämä kaikki ovat vipuja, joilla pystytään hienosäätämään konversiohintaa ja -todennäköisyyttä kunkin segmentin suoriutumisen mukaisesti. Tilanne pirstoutuu, ja yhden ihmisen alkaa olla mahdotonta ottaa huomioon kaikki tekijät tuhansien avainsanojen kohdalla. Mahdollista se toki on, mutta muutosten päällekkäisyys voi aiheuttaa joskus lopputuloksen, jossa lopullinen klikkauksen hinta voi olla moninkertainen aiottuun nähden.
Tarpeeksi dataa saadessaan algoritmi suoriutuu tästä prosessista tietenkin huomattavasti tehokkaammin. Se ottaa huomioon kymmeniä eri muuttujia ja pystyy tehokkaasti asettamaan oikean hintatarjouksen.
Tänä päivänä algoritmi pystyy keskimäärin hyväksyttäviin suorituksiin. Mikäli dataa kertyy riittävä määrä, tasaiseen tahtiin ja ilman suurempia muutoksia olosuhteissa (verkkosivut, alennusmyynnit, tulosseurannan määritys), kone hoitaa kyllä tonttinsa tasaisen varmasti.
Missä tilanteissa ihminen on sitten vahvoilla?
Ongelmia kone alkaa kohdata siinä vaiheessa, kun dataa ei ole tarpeeksi riittävän vahvan ennusteen tekemiseksi, se ei ole koherenttia tai mainontaan vaikuttaa ulkopuolisia tekijöitä. Näitä voivat olla esimerkiksi alennusmyynnit, kausivaihtelut tai vaikkapa lumentulo.
Asettaessaan hintatarjouksia koneälyllä on käytössään pelkästään järjestelmän oma data ja asetettu kannattavuustavoite – se tekee loogisesti sen, mitä saatavilla olevalla tiedolla ja sille annetuilla ohjeilla pystyy. Usein mainostajalla on sen sijaan tietoa, johon algoritmi ei pääse käsiksi.
Alla on esimerkki, jossa Googlen automaatioalgoritmin varsin hyvillä tuloksilla pyörittämä tili siirrettiin ihmisen hallintaan. Algoritmi teki hyviä tuloksia, jotka eivät kuitenkaan tukeneet kasvutavoitteita, minkä takia ohjaimiin haluttiin ihminen.
CASE: Autovuokrausyritys
Tässä esimerkissä liiketoiminta oli kausiluontoista ja pienempiä myyntipiikkejä tuli viikonloppuisin sekä isompia kuunvaihteessa. Googlen algoritmilla on tapana asettaa päätöksissään suuremman painoarvon parin edellisen viikon aikana tapahtuneille muutoksille. Joten kun haun ja itse oston välissä oli tyypillisesti tätä pidempi ajanjakso, algoritmi alkoi väliviikkoina ja -päivinä reagoimaan vähentyneeseen myyntimäärään pienentäen hintatarjouksia. Näin ollen mainosten sijoitukset laskivat ja mainokset näkyivät aiempaa harvempien hakujen yhteydessä.
Lisäksi algoritmi näki oikein, että mobiilihaut tuottivat vuokrauksia vähintään kaksinkertaisella hinnalla pöytähakuihin nähden, joten mobiilinäkyvyys jäi minimiin.
Googlen algoritmi toimi siis täysin loogisesti. Ihminen taas tietää, että:
- auton vuokrausprosessi alkaa hyvissä ajoin ennen itse vuokraustapahtumaa ja sisältää hintavertailua, eli vaatii sekä aikaa että useita vuorovaikutuksia mainosten kanssa
- yrityksen tavoitteena on kasvu ja odotettavissa on korkea asiakassitoutuneisuus, mikä näkyy toistuvina ostoina tietyillä autotyypeillä
- kapasiteettia on vapaana myyntipiikkien ulkopuolella ja se pitää saada liikkeelle, vaikka se maksaisikin vähän enemmän
- jokainen kuukausi on käytännössä oma sesonkinsa
- ihmiset käyttävät useita laitteita ennen vuokraustapahtumaa, eikä Google aina pysty seuraamaan laitteidenvälisiä konversioita (tilanne on toki hyvä Android-laitteisiin ja Chromeen kirjautuneiden kohdalla)
- se, että mobiililaitteiden konversioprosentti voi olla jopa kolme kertaa pöytäkoneita heikompi, vaikuttaa kannattavuuteen, muttei tarkoita, että siihen pitäisi panostaa kolme kertaa vähemmän
Sen sijaan, että mainonnan näkyvyys seuraisi tarkasti edellisen parin viikon kysynnän heiluntaa, tavoitteena oli tasaisempi näkyvyys pitkin kuukautta, pitkän aikavälin positiivinen mainostuotto sekä liiketoiminnan jyrkempi kasvu. Lisäksi piti saada mahdollisuus lisätä nopeasti näkyvyyttä tietyn tyyppisille ajoneuvoille tietyllä paikkakunnalla, kun ylimääräistä kapasiteettia oli vapaana.
Algoritmi ei pysty tehokkaasti ottamaan näitä kaikki tekijöitä huomioon asettaessaan hintatarjouksia. Ihminen taas ottaa huomioon edellä olevat asiat huomioon seuraavilla tavoilla:
- näkyvyys ja näin myös hintatarjoukset on pidettävä ”paikoillaan” tietyllä tasolla, jolloin varmistetaan, että mainokset näkyvät tasaisesti pitkin kuukautta
- kannattavuuden laskun ja vastaavasti myyntipiikkien yhteydessä ei pidä yli- tai alireagoida, vaan klikistä maksettava hinta päätellään edellisen puolen vuoden ja jopa vuoden tietoihin nojaten
- suorituskykyä verrataan ennen kaikkea edellisen vuoden vastaavaan ajanjaksoon, seuraten kuitenkin viimeaikaisia trendejä, kuten kilpailijoiden aggressiivisuutta
- mobiili- ja pöytäkoneiden erittäin suuri ero konversioprosentissa on kannattavuusongelma, joka ei kuitenkaan suoraan kerro laiteluokan heikkoudesta uusien asiakkaiden hankinnassa
Toimenpiteet
- Tili rakennettiin uusiksi vuosien konversiodatan perusteella pelkistetyn SKAG-mallin mukaisesti (yksi avainsana / mainosryhmä).
- Mobiililaitteisiin kohdistetut kampanjat eristettiin pöytäkonekampanjoista paremman kannattavuuskontrollin saamiseksi.
- Koska vuokrausten arvo vaihteli suuresti, kannattavuutta ruvettiin seuraamaan hankintahinnan (CPA) sijaan mainostuoton (ROAS) mukaan.
- Konversioseurannan attribuutiomalli vaihdettiin kasvuun tähtäävään ”ensimmäinen klikkaus” -malliin, jolloin useamman vuorovaikutuksen ostopolun ensimmäinen mainosklikkaus saa 100% kunnian ostosta. Näin myös mobiilimainonnan tehoista saatiin todenmukaisempi käsitys.
- Oman brändin haut ohjattiin negatiivisilla avainsanoilla puhtaasti omaan kampanjaansa, sillä bränditermeillä (hakija tietää yrityksen jo) on tapana kaunistella uusasiakashankintaan tarkoitettujen kampanjoiden tilastoja.
Tulokset:
Uusien kampanjoiden optimoinnissa menee oma aikansa ja vuosia mainontaa pyörittänyt Googlen algoritmi teki työnsä varsin kannattavasti, panostaen suurimman osan budjetista hyvin tuottaviin pöytäkonehakuihin ja pitäen klikkihinnan maltillisena.
Kuten aina uusien kampanjoiden kohdalla, kannattavuudessa ja volyymissä otettiin alussa takapakkia, kun oikea hintataso haki paikkaansa.
Koska kaluston seisottaminen on kallista, myyntivolyymin kasvu otettiin tärkeimmäksi tavoitteeksi ja siinä päästiinkin nopeasti aiempaa parempiin kasvuprosentteihin. Suurin osa kasvusta tapahtui nimenomaan aiemmin Googlelta unholaan jääneiden mobiilihakujen piirissä. Googlen algoritmi teki loogisesti oikein tarjotessaan niistä vähemmän, sillä mainostuotto oli alussa myös uudella rakenteella heikko.
Parin kuukauden päästä pöytäkoneissa päästiin samalle kannattavuustasolle tasaisella 20-30%:n vuosikasvulla. Mobiilissa myynnin kasvu oli 100-150% luokkaa, joskin uudet vuokraukset tulivatkin odotetusti aiempaa kalliimmalla.
Jatkuvan optimoinnin seurauksena ja kovan kilpailun markkinalla kannattavuustilanne parani mobiilissakin ja korjaantui toivotulle tasolle lopullisesti noin vuoden päästä. Avainsanan tehojen ennustaminen alkoi olla kertyneen datan valossa tarkempaa ja aggressiivisemman näkyvyyden ansiosta myös yhä useampi mainoksen klikkaaja teki vuokrauksen mobiililaitteellaan.
Nyt ollaan kannattavalla ja ennen kaikkea tasaisemmalla kasvupolulla, mobiilista otetaan aiempaa huomattavasti enemmän irti ja kapasiteettimuutoksiin voidaan reagoida nopeasti ja tarkasti. Tämä toki vaatii etenkin alussa reippaasti työtunteja ja jatkuvaa hienosäätöä, mutta tilanteessa, jossa myyntivolyymiä on tarpeeksi, saavutettu myynnin kehitys ylittää kulut.
Tulevaisuus
Testaamme Googlen automaatioratkaisuja aina, kun olosuhteet antavat siihen mahdollisuuden. Kaikki manuaaliseen ja toistuvaan työhön menevä aika on meiltäkin pois luovemmalta ja strategisemmalta markkinoinnin kehitykseltä.
Edellä oleva tapaus on osoittanut, että Googlen algoritmit suoriutuvat jatkuvasti paremmin niille asetetuista tavoitteista ja kehitys parin edellisen vuoden aikana on ollut huimaa. Jos aiemmin pystyi suoralta kädeltä sanomaan, että pystyy päihittämään Googlen automaattisen bidauksen, joutuu tänä päivänä syventymään tapaukseen hiukan syvemmin ja punnitsemaan tarkkaan panos/tuotos -suhdetta.
Monissa tilanteissa koneälyllä ei kuitenkaan ole sitä tietoa, joka auttaisi liiketoiminnan kokonaisvaltaisemmassa kehityksessä. Googlen algoritmi sai esimerkkitapauksessamme tarpeeksi dataa hyvien tuloksien tuottamiseen, mutta kun haluttiin keskivertoa parempaa, piti ihmisen astua kuvioihin ja muuttaa painopisteitä strategian mukaisiksi.
Algoritmien saatavilla olevan datan määrä kuitenkin tulee jatkossa vain lisääntymään. Voimme olettaa, että lähitulevaisuudessa koneälyn tuottamat tulokset ovat niin hyviä, ettei ihmistyötuntien käyttö manuaaliseen työhön ole enää perusteltavissa. Esimerkkitapauksessakin testataan pian, pystyykö koneäly jatkamaan samalla kasvun polulla, kun kampanjarakenne ja Googlen uudet ominaisuudet antavat mahdollisuuden tarkempaan tavoitteiden asettamiseen. Tämä vapauttaisi resursseja kokonaisvaltaisempaan markkinoinnin kehittämiseen.
On siis vain ajan kysymys, milloin hakusanamainonnan ammattilaisen rooli muuttuu lopullisesti manuaalisen työn tekijästä koneiden käyttäjäksi. Meidän tulee jatkossa ymmärtää entistä paremmin, miten algoritmit toimivat, mitä tietoa ne tarvitsevat parempien päätösten tueksi ja kuinka tämä tieto saadaan niiden käyttöön.
Jotta voimme antaa koneälylle tarvittavaa tietoa, meidän tulee ymmärtää asiakasyritysten liiketoimintaa entistäkin syvemmällä tasolla. Työmme muuttuu, eikä automaatio tule tässä tapauksessa viemään työpaikkoja. Siitä tulee pikemminkin voimavara, jonka ymmärtäminen auttaa valitsemaan ja testaamaan kunkin asiakkaan tilanteeseen sopivat ratkaisut ja hyödyntää niitä mahdollisimman tehokkaasti.